MétaCan
Menu
Retour à la cohorte
Enregistrement W2944716998 · doi:10.1109/twc.2019.2908398

Joint Minimization of Wired and Wireless Traffic for Content Delivery by Multicast Pushing

2019· article· en· W2944716998 sur OpenAlexaff
Zhao Chen, Xiaoming Tao, Chunxiao Jiang, Victor C. M. Leung

Notice bibliographique

RevueIEEE Transactions on Wireless Communications · 2019
Typearticle
Langueen
DomaineComputer Science
ThématiqueCaching and Content Delivery
Établissements canadiensUniversity of British Columbia
Organismes subventionnairesNational Key Research and Development Program of ChinaChina Postdoctoral Science FoundationNational Natural Science Foundation of China
Mots-clésComputer scienceComputer networkMulticastWireless networkWirelessWi-Fi arrayDistributed computingTelecommunications

Résumé

récupéré en direct d'OpenAlex

As more mobile users become subscribers of content services, their subscribed content can be directly pushed from the content provider into the user equipment after the content is generated. In current and future network paradigms, a joint wired and wireless transmission design for this pushing is needed to guarantee the user experience without the extra deployment of communication infrastructures or consumption of resources. In this paper, we investigate a joint wired and wireless content delivery system that incorporates wired and wireless multicast. The users in the same group are served by wireless multicast from a base station (BS), while the BSs of the same content form a multicast tree in a backbone wired network. The sum of wired and wireless traffic is minimized by a joint design of user grouping, subchannel allocation, wired routing, and wired link usage. Exploiting the monotonicity of wired and wireless traffic with regard to the wired hop count, the original problem is converted for searching the optimal hop count vector that achieves the minimum sum of both types of traffic, which is solved by a monotonic optimization (MO)-based iterative algorithm. Compared with existing schemes and according to the numerical results, a reduction in total traffic of 43% can be achieved by our approach.

Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.

Comment cette classification a été obtenuedéplier

Prédiction distillée sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,957
Score d'incertitude au seuil0,800

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0010,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

Scores machine (provisoires)

Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.

Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.

Tête enseignante Opus0,049
Tête enseignante GPT0,246
Écart entre enseignants0,197 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations5
Publié2019
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueIEEE Transactions on Wireless CommunicationsMême sujetCaching and Content DeliveryTravaux en français237 207